0
| 本文作者： 陳淑瑜 | 2026-05-19 16:58 | 專題：CVPR 計算機視覺與模式識別會議 |
作者丨陳淑瑜
編輯丨岑 峰
如果把過去幾年多模態大模型在STEM領域的進展放在一起審視，會發現一個相當微妙的錯位。研究者們幾乎把全部精力都押在了推理能力的提升上，強化學習、思維鏈、自我糾錯……各種花式推理策略層出不窮，模型在文本推理基準上的得分也確實在節節攀升。
但一個尷尬的事實始終擺在那里：當模型被丟進一道需要看圖才能解答的幾何題時，它依然經常給出讓人啼笑皆非的答案。
這中間到底出了什么問題？
過去，業界習慣性地把鍋甩給“推理能力不足”，認為只要把CoO做得更長、把RL獎勵設計得更精巧，模型自然能在視覺推理任務上迎頭趕上。于是大量的工作涌向推理鏈路優化，視覺感知端卻幾乎被當成了一個“已經夠用”的黑箱。
但上海交通大學人工智能研究院與Qwen團隊聯合提出的CodePercept（代碼驅動的視覺感知），則給出了一個截然不同的診斷結果：
當前階段，限制大模型STEM視覺推理的真正瓶頸，并非是推理能力，而是視覺感知。
論文地址：https://arxiv.org/pdf/2603.10757
開源代碼：https://github.com/TongkunGuan/Qwen-CodePercept
這不是一個隨意的猜想。團隊的診斷方式非常系統，他們將STEM視覺推理任務解耦為“感知”和“推理”兩個階段，分別擴展其中一個能力、同時保持另一個能力不變。結果證明，擴展感知能力帶來的性能提升，始終優于擴展推理能力。
圖1：擴展感知優于擴展推理
換句話說，模型的“眼神”遠比我們想象的更差，而解決“眼神差”的問題，帶來的邊際收益遠超繼續優化“腦子”。
01
一旦確認“感知才是短板”，接下來的問題就是：如何提升感知？
一個直覺方案是：用強大的閉源模型去生成圖像描述（Caption），然后做知識蒸餾。既然GPT-5和Claude看得懂，讓它們當老師不就行了？
但研究團隊在實際操作中發現了一個更深層的問題：自然語言是模糊的，表達能力存在上限，很難非常精準地描述一個場景。
想象一下，你要用文字去精確描述一個三維四面體的空間結構，包括每條棱的長度、每個面的傾斜角、輔助線的空間走向。即便你用上了“位于左下角45度方向、長度為3.2cm、與水平面夾角30度”這樣精確的語言，描述依然是模糊的。因為自然語言本質上就是為“大概意思”而生的媒介，它天然缺乏數學層面的精確性。
更致命的是，這種描述的模糊性還會在被AI生成描述的過程中進一步放大。
團隊將這個問題概括為自然語言的“描述性失語”。
但如果說自然語言是“模糊”的，那什么語言才是“精確”的？
答案是代碼。
一段Python程序畫出的幾何圖形，每個坐標都是確定的、每個參數都是可驗證的、每個空間關系都是可執行的。
代碼不承認“差不多”，要么對，要么運行報錯。這種二值化的精確性，恰恰是STEM視覺感知最需要的。
02
基于這一洞察，研究團隊提出了一個全新的范式——CodePercept（代碼驅動的視覺感知），其核心思想可以用一句話概括：讓代碼成為視覺感知的“第二語言”。
團隊從兩個維度系統性地用代碼重新定義了視覺感知任務：
第一個維度：代碼驅動的描述生成（Code-Grounded Caption Generation）。
傳統Caption生成的做法是“看圖說話”，模型看了圖，生成一句自然語言描述。但CodePercept的做法變成了“看圖→寫代碼→用代碼驗證描述”的三段式。
可執行代碼被當作圖像描述的“絕對真理”，代碼中寫明的坐標、數量、幾何關系，無一不是對原始圖像的精確轉錄。模型通過生成可執行的代碼來“驗證”自己對圖像的理解是否正確。
第二個維度：STEM圖像到代碼轉錄（STEM Image-to-Code Translation）
這比前一個步子邁得更大。
團隊直接引導模型學習從圖像到代碼的端到端映射，給大模型一張幾何圖，讓它直接生成能夠重現這張圖的Python代碼。這不是讓模型去“描述”圖，而是讓模型去“復現”圖。
這個任務的精妙之處在于它的可驗證性：代碼是唯一一種可以“執行后驗證”的表達形式。你描述一張圖，沒人知道你描述得對不對；但你寫一段代碼，運行之后渲染出來的圖一比對，對就是對，錯就是錯。沒有中間地帶。
由于模型必須真正理解“觀測特征”與“代碼片段”之間的內在映射法則，才能生成正確的重建代碼，所以這種二值化的確定性反饋，反過來又迫使模型得以建立更精確的視覺理解。
圖 2. CodePercept 的總體流程圖
Part 01:構建高質量圖像-代碼對 Part 02:代碼驅動的描述生成、STEM圖像到代碼轉錄 Part 03:形成 ICC-1M數據庫。
03
新范式的落地，需要與之匹配的訓練數據。但問題是，代碼驅動的視覺感知數據在現實中幾乎不存在，無法僅靠簡單地爬取網頁就得到“圖像-描述-代碼”三元組。
為此，研究團隊構建了ICC-1M數據集，包含100萬個高質量的三元組（Image-Caption-Code），并通過三條創新的合成流水線實現了從零到百萬的數據生產：
第一條：圖像復現（Image Reproduction）：將現有的STEM圖像精準轉化為可執行的Python代碼。
這相當于給每張圖配上一段“源代碼”，確保代碼與圖像之間形成嚴格的對應關系。
第二條：圖像多樣化（Image Diversity）：提取種子圖像的核心STEM原理，在不改變數學本質的前提下，通過參數變化在不同的視覺語境中重新實例化，從而生成大量視覺上不同但原理一致的新圖像。
第三條：立體幾何合成（Solid Geometry Synthesis）：基于模板的立體幾何代碼生成，能夠產生大量包含三維空間變換、多面體交叉和輔助線體系的訓練樣本。
這三條流水線突破了當前MLLMs在立體幾何空間關系上的集體短板，也為新范式的出現搭建了強硬的數據底座。
圖3:從圖像復現到圖像多樣化到立體幾何合成
04
有了數據，接下來就是訓練策略的問題。
CodePercept的獨特之處在于，它沒有簡單地在ICC-1M上做一輪SFT（監督微調）就收工，而是設計了一套兩階段漸進式訓練策略，完整覆蓋了“學會”到“精通”的全過程。
第一階段：CodePercept-S1（監督微調）
既然描述和代碼本質上都是對同一視覺信息的表達，為什么不把“看圖寫描述”和“看圖寫代碼”當作兩個并行任務來聯合優化？
于是，團隊在SFT階段同時優化 Image2Caption 和 Image2Code 兩條任務路徑，讓模型在同一套視覺編碼器上建立雙通道的感知能力，既學會生成自然語言描述，也學會生成精確的復現代碼。
兩條任務共享視覺特征提取過程，相互促進、相互補充。
第二階段：CodePercept-R1（強化學習）
SFT能讓模型“學會”寫代碼，但離“寫對”還有距離。
原因在于，代碼生成是一個容錯率極低的任務。Caption寫錯一個數，讀者大概還能猜出原意。代碼寫錯一個坐標，渲染結果就完全走樣了。
為了從“差不多對”跨越到“精準對”，團隊引入了GRPO（Group Relative Policy Optimization）強化學習，并設計了三層遞增的獎勵機制：
格式獎勵：語法必須正確，代碼至少能跑起來。
內容執行獎勵：運行結果必須與目標圖像在關鍵指標上匹配。
圖碼相似度獎勵：重構圖像與原始圖像之間的感知相似度。
GRPO讓模型在不斷的自我試錯中，逐漸學會“什么樣的代碼才能精確還原圖像”。這種從SFT到RL的遞進，本質上就是從“知道怎么干”到“知道怎么干對”的質變。
圖4 CodePercept-S1 模型和CodePercept-R1 模型的訓練曲線
05
在傳統的評測體系里，感知能力往往是通過最終的解題正確率來反推模型感知好不好。但這種評估方式存在一個根本性漏洞：模型可能答對了題，但根本沒看懂圖（比如僅憑文本提示就猜出了答案），也可能看懂了圖但推錯了解題步驟。
簡而言之，傳統評估無法將“感知”和“推理”真正解耦。
為了解決這個問題，團隊推出了STEM2Code-Eval，這是一個包含1000張經過人工精校圖像的感知評測基準。
它的評測邏輯簡單而苛刻：模型必須生成能夠100%還原原始圖像的Python代碼，然后用代碼渲染結果與原圖進行像素級精確度比對。
基于STEM2Code-Eval，研究團隊得以充分驗證代碼能不能跑、跑出來像不像。
圖5 STEM2Code-Eval 基準的流程
在這個基準上，團隊以Qwen3-VL為基座模型進行了全面測試，結果相當震撼：
在Captioner-Solver評測模式下，CodePercept-8B-S1僅用80億參數就超越了Qwen2.5-VL-72B（優勢達6.2%），甚至逼近了Claude-Opus 4.1-Thinking和GPT5-Thinking這樣的閉源前沿模型。
而在純粹考查感知的圖像還原任務（STEM2Code-Eval）上，經過強化學習優化的CodePercept-8B-R1斬獲63.56分，全面超越了Seed 1.6-Vision和Qwen3-VL-Plus等超大參數規模的旗艦模型。
圖 6. 在 STEM2Code-Eval 上使用 1k 樣本的性能評估
這些數據指向了一個反直覺的結論：參數的堆砌并不能彌補感知能力的缺陷，而代碼驅動的感知訓練，即使在小參數模型上，也能產生超越量級的感知躍遷。
06
把CodePercept放在CVPR 2026的大背景下看，它的意義遠遠不止是“又一個新SOTA”。
過去幾年，多模態大模型領域有一個默認的“升級路徑”，參數越做越大、數據越堆越多、推理鏈越走越長。這條路徑的隱含假設是: 視覺感知已經足夠好了，只要能推理，就能解決問題。
但CodePercept用系統的實驗證據證明，這個假設可能從一開始就是錯的。當模型的“眼神”連一個簡單幾何圖形的坐標都讀不準時，再強的推理能力也無從發揮。
更值得關注的是它的方法論轉向：用代碼作為視覺感知的錨點。 這是對“視覺理解”這件事本身的重新定義。
如果視覺理解的最終目標是“能夠精確復現所看到的東西”，那么代碼比自然語言天然更具優勢，因為它自帶可驗證性。
而Qwen團隊的加持，更意味著這一范式有強大的工程底座作為支撐。從Qwen3-VL的視覺編碼能力到GRPO在代碼生成場景的落地，這套技術棧的成熟度遠非一個純學術原型可比。
也許未來，更多團隊會重新審視“感知vs推理”的權重分配，更多研究者會將代碼納入視覺理解的標準工具箱。“給大模型裝上基于代碼邏輯的火眼金睛”，正在成為一條真實可行的技術路線。（雷峰網(公眾號：雷峰網)）
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
本專題其他文章
